論文の概要: Longitudinal Pooling & Consistency Regularization to Model Disease
Progression from MRIs
- arxiv url: http://arxiv.org/abs/2003.13958v2
- Date: Wed, 26 May 2021 17:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 01:42:16.099467
- Title: Longitudinal Pooling & Consistency Regularization to Model Disease
Progression from MRIs
- Title（参考訳）: MRIからのモデル疾患進展に対する経時的プール法と一貫性規則化
- Authors: Jiahong Ouyang, Qingyu Zhao, Edith V Sullivan, Adolf Pfefferbaum,
Susan F. Tapert, Ehsan Adeli, Kilian M Pohl
- Abstract要約: 本稿では,新しい縦型プール層に特徴抽出を結合させることにより,来訪者間の特徴を結合することを提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)は,正常な274例とアルコール使用障害(AUD)329例からなる。
これら3つの実験において、我々の方法は、他の広く使われている縦断的分類法よりも優れているため、脳への条件の影響をより正確に追跡するのに一意に寄与する。
- 参考スコア（独自算出の注目度）: 11.979581631288832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many neurological diseases are characterized by gradual deterioration of
brain structure and function. Large longitudinal MRI datasets have revealed
such deterioration, in part, by applying machine and deep learning to predict
diagnosis. A popular approach is to apply Convolutional Neural Networks (CNN)
to extract informative features from each visit of the longitudinal MRI and
then use those features to classify each visit via Recurrent Neural Networks
(RNNs). Such modeling neglects the progressive nature of the disease, which may
result in clinically implausible classifications across visits. To avoid this
issue, we propose to combine features across visits by coupling feature
extraction with a novel longitudinal pooling layer and enforce consistency of
the classification across visits in line with disease progression. We evaluate
the proposed method on the longitudinal structural MRIs from three neuroimaging
datasets: Alzheimer's Disease Neuroimaging Initiative (ADNI, N=404), a dataset
composed of 274 normal controls and 329 patients with Alcohol Use Disorder
(AUD), and 255 youths from the National Consortium on Alcohol and
NeuroDevelopment in Adolescence (NCANDA). In all three experiments our method
is superior to other widely used approaches for longitudinal classification
thus making a unique contribution towards more accurate tracking of the impact
of conditions on the brain. The code is available at
https://github.com/ouyangjiahong/longitudinal-pooling.
- Abstract（参考訳）: 多くの神経疾患は、徐々に脳の構造と機能の悪化によって特徴づけられる。
大規模なMRIデータセットでは、診断の予測に機械学習とディープラーニングを適用することで、そのような劣化が明らかにされている。
一般的なアプローチは、畳み込みニューラルネットワーク(CNN)を使用して、縦方向MRIの各訪問から情報的特徴を抽出し、それらの特徴を使用して、リカレントニューラルネットワーク(RNN)を介して各訪問を分類することである。
このようなモデルでは疾患の進行性が無視され、臨床上は見当たらない分類になる可能性がある。
この問題を回避するため, 特徴抽出と新しい長手プール層を結合して, 来訪者間の特徴抽出を行い, 病状進行に伴う分類の整合性を確保することを提案する。
アルツハイマー病神経画像イニシアチブ (ADNI, N=404), 正常コントロール274例, アルコール使用障害329例, 若年者におけるアルコール・神経発達に関する全国コンソーシアム (NCANDA) の255名の若年者を対象とした。
3つの実験すべてにおいて,この手法は,他の広く用いられている縦断分類法よりも優れているため,脳への条件の影響をより正確に追跡する上で,ユニークな貢献をしている。
コードはhttps://github.com/ouyangjiahong/longitudinal-poolingで入手できる。
関連論文リスト
- Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。
fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか?
以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
論文 参考訳（メタデータ） (2024-09-17T17:24:17Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion [47.83003164569194]
超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。
Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
論文 参考訳（メタデータ） (2024-02-21T12:54:40Z) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳（メタデータ） (2023-02-23T09:22:05Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Towards better Interpretable and Generalizable AD detection using
Collective Artificial Intelligence [0.0]
アルツハイマー病の診断と予後を自動化するための深層学習法が提案されている。
これらの手法は、しばしば解釈可能性と一般化の欠如に悩まされる。
我々はこれらの制限を克服するために設計された新しいディープ・フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-07T13:02:53Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳（メタデータ） (2021-12-23T14:51:45Z) - Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI [5.463018151091638]
最先端のディープラーニングパイプライン nnU-Net では,異常なケースの一般化が困難であることを示す。
我々は、データセット上のボリューム当たり損失の分布のパーセンタイルを最小限に抑えるために、ディープニューラルネットワークをトレーニングすることを提案する。
我々は368個の胎児脳T2w MRIを用いてアプローチを検証した。
論文 参考訳（メタデータ） (2021-08-09T17:00:21Z) - Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
縦横埋め込みという表現学習のための自己指導型戦略を提案する。
コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。
2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
論文 参考訳（メタデータ） (2021-03-05T17:55:53Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳（メタデータ） (2020-03-24T01:56:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。